04 — Publicaciones / Explicación

Los datos de una sola mata
sirven para entrenar modelos con drones

Una forma más ligera de reunir los datos de campo de los que aprenden los modelos

Ilustración de un arrozal visto desde arriba, con un dron encima y una mata rodeada por un marco dorado. Esa misma mata, ya cosechada, descansa sobre una balanza a la derecha.

Para estimar el crecimiento del arroz con imágenes de dron, primero hacen falta mediciones de plantas cortadas en el campo, secadas y pesadas. Hasta ahora, cada dato solía ser el promedio de varias matas vecinas, es decir, de los pequeños grupos de plántulas que se trasplantan juntos. Nosotros comprobamos si medir cada mata por separado funciona igual de bien. Los modelos sencillos, basados en una sola característica, fueron igual de precisos, y al añadir más datos de una sola mata mejoraron los modelos de aprendizaje automático.

Puntos clave

  1. Con modelos sencillos de una sola característica, como la altura de la planta, los datos de una mata dieron casi la misma precisión que los promedios de dos o cuatro matas.
  2. Los datos de una sola mata tienen más ruido, y algunos métodos de aprendizaje automático perdieron precisión con ellos. Al duplicar o cuadruplicar esos datos, la mayoría de los métodos mejoró.
  3. Las mismas 576 matas cosechadas dan 576 datos si cada mata cuenta por separado, pero solo 144 como promedios de cuatro. Usar cada mata por separado podría reducir el trabajo de reunir datos de campo.
Dr. Hoo, ¿por qué hace falta cortar arroz para estimar su crecimiento con un dron?
Para construir la fórmula de estimación, hacen falta respuestas medidas en plantas cortadas. Este estudio quiso saber si esas respuestas se pueden reunir con menos trabajo.
01

¿Por qué hay que cortar y pesar el arroz?

Dos medidas dicen mucho sobre cómo crece un cultivo de arroz. La biomasa aérea es el peso seco de todo lo que está por encima del suelo, por unidad de superficie. Ayuda a predecir el rendimiento de grano y a conocer la salud de las plantas y su contenido de nitrógeno. El índice de área foliar (LAI) compara la superficie total de las hojas con la del suelo que cubren, y refleja la capacidad del cultivo para hacer la fotosíntesis. Contar con estos valores a tiempo y con precisión es clave para los ensayos de mejora genética, el manejo de los campos e incluso la política agrícola.

Para obtener estos valores directamente hay que cosechar plantas. En nuestro estudio, cada mata cosechada se separó en hojas y tallos, y un aparato midió el área de las hojas. Después, las muestras se secaron en una estufa a 80 °C durante 72 horas y se pesaron. Por último, dividimos entre la superficie que ocupaba la mata para obtener valores por unidad de área (figura 1). Repetimos este trabajo cada semana, desde el trasplante hasta el espigado, cuando aparecen las espigas.

Seis pasos ilustrados, desde cosechar las matas y separar hojas y tallos hasta medir el área foliar, secar a 80 °C durante 72 horas, pesar y dividir entre el área que ocupa cada mata. Un rótulo indica que el trabajo se repite cada semana, del trasplante al espigado.
Figura 1 Cómo se hicieron las mediciones en el campo. Cada mata cosechada se separa en hojas y tallos, se mide su área foliar y las muestras se secan y se pesan. Al dividir entre la superficie que ocupaba la mata se obtienen la biomasa y el índice de área foliar.

Un dron puede fotografiar un campo grande de una sola vez. Pero para convertir las imágenes en estimaciones de peso o de área foliar, primero necesitamos un modelo. Un modelo es una regla que relaciona lo que ve el dron con lo que medimos en el campo. Lo construimos a partir de muchos pares de valores del dron y mediciones a mano (figura 2). A estas mediciones se las llama datos de campo, o ground truth en inglés. Los modelos precisos necesitan muchos de estos datos, y reunirlos ha sido uno de los principales cuellos de botella de este tipo de investigación.

Dos paneles. En el de arriba, pares de valores del dron y valores medidos aparecen como puntos con una línea recta que los atraviesa. En el de abajo, el valor de una imagen nueva se lee en la línea para obtener una estimación sin cortar plantas.
Figura 2 Cómo funcionan las estimaciones con dron. Los pares de valores del dron y mediciones a mano revelan la relación entre ambos, que se convierte en el modelo (arriba). Una vez que existe el modelo, bastan las imágenes nuevas para estimar (abajo). Los puntos son solo ilustrativos y no son datos reales.

¿Cuántas matas hay que cortar?

¿Cuántas matas se suelen cortar?
Depende del estudio. Cuatro, ocho, incluso veinte. Cada mata crece un poco distinta, así que se ha usado el promedio de varias matas como un solo dato.

En agronomía se suelen cosechar varias matas y promediarlas para obtener cada dato, porque las matas de una misma parcela crecen de forma algo distinta. Los estudios anteriores con drones usaban 4, 8 o 20 matas por dato. Si bastara con una sola mata, se podría reunir la misma cantidad de datos con menos trabajo de campo.

Sin embargo, había un problema. En las imágenes de dron, las hojas de las matas vecinas se superponen al área de cada mata. Además, las plántulas nunca quedan en una cuadrícula perfecta, así que el marco dibujado alrededor de una mata en la imagen puede no coincidir con ella. Este ruido podría pesar más cuando cada dato procede de menos matas, y nadie había comprobado todavía cuánto influye.

02

Comparar datos de una, dos y cuatro matas

¿Cómo se comprobó?
Se cortaron y midieron 576 matas, una por una. Luego los datos se usaron de tres formas, mata por mata, en promedios de dos y en promedios de cuatro, y se comparó la precisión.

El experimento de campo

En 2020 cultivamos la variedad de arroz Koshihikari en un arrozal de la Universidad de Agricultura y Tecnología de Tokio, en Fuchu (Tokio). Cada mata tenía tres plántulas, y las matas se plantaron con una separación de 15 cm por 30 cm. Trasplantamos en tres fechas (20 de mayo, 3 de junio y 17 de junio). La mitad de las parcelas no recibió fertilizante nitrogenado. La otra mitad recibió 2 g de nitrógeno por metro cuadrado al inicio y otros 2 g más adelante. Tres grupos de estas seis combinaciones sumaron 18 parcelas.

Cada semana, desde el trasplante hasta el espigado, un dron sobrevoló el campo a 30 m de altura. Llevaba una cámara de color normal y otra que registra por separado cinco bandas de luz, entre ellas el infrarrojo cercano. Justo después de cada vuelo, cosechamos una a una cuatro matas vecinas en cada parcela y las medimos como muestra la figura 1. En total, cosechamos 576 matas.

Leer cada mata en las imágenes

Unimos las fotos para crear un mapa del campo visto desde arriba y un modelo 3D de su superficie. Sobre el mapa colocamos un marco de 15 cm por 30 cm alrededor de cada mata y promediamos los valores de su interior (figura 3). Así obtuvimos tres tipos de características para cada mata.

Imagen de dron del arrozal del experimento vista desde arriba, con parcelas rectangulares, junto a una ampliación en la que una cuadrícula roja separa las matas una a una.
Figura 3 El arrozal del experimento visto desde arriba en una imagen de dron (izquierda) y una ampliación en la que se distinguen las matas (derecha). Cada celda roja marca el área de una mata.Adaptado de la figura 1 de Yamaguchi et al. (2024), CC BY-NC 4.0
  • La altura de la planta se obtiene del modelo 3D. Es la altura de la superficie del cultivo el día del vuelo menos la altura del suelo antes de que crecieran las plantas.
  • Los índices de vegetación combinan el brillo de distintos colores de luz y se usan mucho para seguir el crecimiento de las plantas. Calculamos 14.
  • Los índices de textura convierten en números los patrones finos de luces y sombras de la imagen. Entre muchos candidatos, nos quedamos con los 8 que daban estimaciones más precisas.

Así, cada mata cosechada quedó con un par de valores, uno del dron y otro de la medición a mano.

Tres formas de construir los conjuntos de datos

Con las mismas 576 matas construimos tres conjuntos de datos (figura 4). El conjunto de una mata usa cada mata por separado. El de dos matas promedia dos matas vecinas, y el de cuatro matas promedia las cuatro, un método que también se usaba en estudios anteriores. En todos los casos, los valores del dron y las mediciones a mano se promediaron de la misma manera.

Así se obtuvieron 576, 288 y 144 datos. Para compararlos en igualdad de condiciones, elegimos al azar un dato de una mata y otro de dos matas por parcela y fecha. De este modo, cada conjunto tuvo 144 datos.

Cuatro matas vecinas enmarcadas de tres maneras. Una a una dan 576 datos, de dos en dos 288 y todas juntas 144. Los tres conjuntos se compararon con 144 datos cada uno.
Figura 4 Tres conjuntos de datos con las mismas 576 matas. Las cuatro matas cortadas cada semana en cada parcela se usaron una a una, de dos en dos o todas juntas. Cada marco se convierte en un dato.

Construir y evaluar los modelos

Construimos dos tipos de modelos. La regresión simple usa una sola característica, como la altura de la planta, y ajusta una línea recta entre ella y el valor medido. El aprendizaje automático combina muchas características, y probamos 13 métodos distintos.

Evaluamos cada modelo con datos que no había visto. Las 18 parcelas formaban tres grupos, y cada grupo incluía todas las condiciones de cultivo. Entrenamos el modelo con dos grupos (96 datos) y lo evaluamos con el tercero (48 datos). Después rotamos los grupos para que cada uno sirviera una vez como prueba (figura 5). La prueba usó siempre los datos de cuatro matas, que esperábamos que tuvieran menos ruido.

Una tabla de tres rondas. En cada ronda, dos de los tres grupos se usan para entrenar y uno para la prueba, con 48 datos por grupo. Una nota indica que la prueba usó siempre los datos de cuatro matas.
Figura 5 Cómo se evaluó la precisión. Los modelos se entrenaron con dos de los tres grupos y se evaluaron con el restante. Lo repetimos tres veces para que cada grupo sirviera una vez como prueba.

También cambiamos la cantidad de datos de entrenamiento, es decir, de los datos de los que aprende el modelo. En la regresión simple la redujimos de 96 a 32 y a 16 datos. En el aprendizaje automático duplicamos y cuadruplicamos los datos de una mata, hasta 192 y 384.

03

Qué cambió al usar una sola mata

¿Funcionaron los datos de una sola mata?
Con una fórmula sencilla basada en la altura de la planta, una sola mata fue tan precisa como el promedio de cuatro. En los dos casos, el R² fue de 0,954.

Los modelos sencillos fueron igual de precisos

Usamos dos medidas de precisión habituales. El coeficiente de determinación (R²) indica cuánto se acercan las estimaciones a las mediciones, y 1 significa una coincidencia perfecta. El RMSE (raíz del error cuadrático medio) es el tamaño típico del error, así que cuanto menor, mejor.

Al estimar la biomasa con la altura de la planta, el R² fue de 0,954 con una mata, 0,952 con dos y 0,954 con cuatro. El RMSE fue de 0,481 toneladas por hectárea con una mata y de 0,486 con dos y con cuatro (figura 6). Ocurrió lo mismo con los índices de vegetación y de textura, y también al estimar el índice de área foliar. El número de matas casi no influyó.

Gráfico de barras horizontales con el error al estimar la biomasa con una, dos y cuatro matas. Altura de la planta 0,481, 0,486 y 0,486. Índice de vegetación 0,666, 0,669 y 0,669. Índice de textura 0,914, 0,923 y 0,929 t/ha.
Figura 6 Error (RMSE) de los modelos de regresión simple que estiman la biomasa, entrenados con 96 datos. Sea cual sea la característica, las barras de una, dos y cuatro matas tienen casi la misma longitud. En el gráfico, SR y NDTI412 son los nombres de los índices que usamos.Elaborado con los valores publicados en Yamaguchi et al. (2024)

Hubo una diferencia. Durante el entrenamiento, los modelos se ajustaron peor a los datos en los conjuntos con menos matas, una señal de que los datos de una mata tienen más ruido. Aun así, los modelos terminados estimaron los datos de prueba con casi la misma precisión.

Reducir los datos de entrenamiento a 32 o a 16 tampoco abrió diferencias entre los conjuntos. Con 16 datos, la altura de la planta siguió estimando la biomasa con un R² de 0,950 con una mata, 0,953 con dos y 0,952 con cuatro. Mientras los datos de entrenamiento cubran el rango de crecimiento que se quiere estimar, la precisión no parece bajar mucho con menos datos.

Algunos métodos de aprendizaje automático notaron el ruido

¿Y con el aprendizaje automático pasa lo mismo?
Algunos métodos perdieron precisión. Parece que los métodos que se ajustan mucho a los datos se dejan llevar más por el ruido de los datos de una sola mata.

Entre los 13 métodos de aprendizaje automático, los más flexibles, capaces de seguir los datos muy de cerca, tendieron a perder precisión con los datos de una mata. Entre ellos estaban una red neuronal llamada perceptrón multicapa (MP), LightGBM y XGBoost (figura 7). En general, la diferencia entre los conjuntos de una y de cuatro matas fue estadísticamente significativa.

En los conjuntos con menos matas, los errores también tendieron a crecer a medida que las plantas se hacían más grandes. Las plantas grandes se superponen más con sus vecinas y un marco algo desplazado pesa más, así que el ruido probablemente aumenta en las etapas más avanzadas. Los métodos diseñados para resistir los valores atípicos, como la regresión Lasso y la de Huber, a veces mantuvieron la misma precisión en los tres conjuntos.

Más datos de una mata mejoraron el aprendizaje automático

Entonces, ¿no sirven para el aprendizaje automático?
No exactamente. Al duplicar o cuadruplicar los datos de una mata, mejoró la mayoría de los métodos. Un poco de ruido se compensa con más datos.

El aprendizaje automático suele funcionar mejor con muchos datos. Por eso entrenamos los modelos con 96, 192 y 384 datos de una mata. La mayoría de los métodos ganó precisión, y MP, LightGBM y XGBoost fueron los que más mejoraron. Las diferencias según la cantidad de datos de entrenamiento fueron estadísticamente significativas (figura 7).

Tres diagramas de dispersión de la biomasa estimada frente a la medida, para modelos entrenados con 96 datos de una mata, 96 datos de cuatro matas y 384 datos de una mata.
Figura 7 Biomasa estimada con un método de aprendizaje automático, el MP (figura en inglés). El eje horizontal muestra el valor medido y el vertical la estimación, así que los puntos cercanos a la diagonal discontinua son precisos. El modelo se entrenó con 96 datos de una mata (arriba a la izquierda), 96 datos de cuatro matas (arriba a la derecha) o 384 datos de una mata (abajo). Con 96 datos de una mata los puntos se dispersan un poco, y con 384 se agrupan muy cerca de la línea. Los símbolos indican la fecha de trasplante y el tratamiento de fertilización.Adaptado de la figura 4 de Yamaguchi et al. (2024), CC BY-NC 4.0

Los datos de una mata tienen algo más de ruido. Aun así, siempre que sean lo bastante fiables, reunir más datos puede hacer más precisos los modelos de aprendizaje automático.

Resumen gráfico, en inglés, que compara el muestreo de una, dos y cuatro matas. Un gráfico muestra errores casi iguales en la regresión simple y otro muestra errores menores en el aprendizaje automático al aumentar los datos de una mata.
Figura 8 El estudio en una imagen (en inglés). El gráfico de arriba muestra que los modelos de regresión simple fueron casi igual de precisos con una mata que con varias. El de abajo muestra que duplicar o cuadruplicar los datos de una mata mejoró los modelos de aprendizaje automático.Resumen gráfico de Yamaguchi et al. (2024), CC BY-NC 4.0
04

Dónde puede ayudar y qué falta comprobar

¿Qué cambia con esto?
Al cortar las mismas 576 matas, se obtienen 576 datos si se cuenta cada mata, pero solo 144 con promedios de cuatro. Usar cada mata por separado podría reducir mucho el trabajo de medición.

La relación entre las imágenes de dron y el crecimiento del cultivo cambia con el ambiente, la forma de las plantas y la etapa de crecimiento. Por eso, para estimar con precisión hace falta un modelo para cada situación, y cada modelo nuevo necesita nuevos datos de campo. Nuestros resultados ayudan a aligerar ese trabajo. Los modelos de regresión simple pueden construirse con datos de una mata. Si esos datos abarcan el rango de crecimiento que se quiere estimar, podrían bastar menos datos.

Evaluamos los modelos con promedios de cuatro matas. Por eso, los resultados también muestran que un modelo entrenado con matas individuales puede estimar el crecimiento en zonas más amplias del cultivo. Esto podría ayudar a cartografiar el crecimiento en los campos de los agricultores y a comparar muchas líneas candidatas a nuevas variedades en los ensayos de mejora genética.

Para usar datos de una mata en el aprendizaje automático, conviene elegir métodos resistentes al ruido o reunir más datos.

Nuestro experimento usó una sola variedad, Koshihikari, en un solo campo y durante un solo año. La forma de las plantas cambia con la variedad y el ambiente, así que el ruido podría ser distinto en otros lugares. Aún hay que confirmar los resultados con otras variedades, lugares y años.

Hasta ahora, cada dato de campo para los modelos con drones solía salir de varias matas cosechadas. Mostramos que una sola mata también puede servir, lo que podría hacer menos laborioso reunir datos de campo para futuros modelos.

Así que los datos de una sola mata también sirven para los modelos con drones.
Así es. Pero el resultado viene de una sola variedad, Koshihikari, cultivada en un solo lugar durante un año. Falta comprobarlo con otras variedades y en otros lugares.

Glosario

Datos de campo (ground truth)
Valores medidos directamente en el campo, que se usan para construir y comprobar los modelos de estimación. En este estudio, son el peso seco y el área foliar del arroz cosechado.
Mata
Pequeño grupo de plántulas de arroz que se trasplantan juntas. En este estudio, cada mata tenía tres plántulas.
Biomasa aérea
Peso seco de las partes de la planta que están sobre el suelo, por unidad de superficie, aquí en toneladas por hectárea (t/ha). Una t/ha equivale a 100 g por metro cuadrado.
Índice de área foliar (LAI)
Superficie total de las hojas (una sola cara) dividida por la superficie de suelo que cubren. Es un indicador habitual de la capacidad del cultivo para hacer la fotosíntesis.
Índices de vegetación y de textura
Números que se calculan a partir de las imágenes de dron. Un índice de vegetación combina el brillo de distintos colores de luz, y un índice de textura describe los patrones finos de luces y sombras.
Ruido
Variación en los datos que no tiene que ver con el valor real. Aquí procede de las hojas vecinas que aparecen en la imagen y de los marcos que no coinciden con la mata.
Regresión simple
Modelo que usa una sola característica, como la altura de la planta, y ajusta una línea recta entre ella y el valor medido.
Aprendizaje automático
Métodos con los que un ordenador aprende, a partir de muchos ejemplos, cómo se relacionan las características con la respuesta. Pueden captar patrones complejos, pero algunos se dejan engañar fácilmente por el ruido.
R² y RMSE
Dos medidas de precisión. El R² (coeficiente de determinación) es mejor cuanto más se acerca a 1, y el RMSE (raíz del error cuadrático medio) es mejor cuanto más pequeño.

Sobre el artículo

Tomoaki Yamaguchi, Kana Sasano & Keisuke Katsura (2024). Improving efficiency of ground-truth data collection for UAV-based rice growth estimation models: investigating the effect of sampling size on model accuracy. Plant Production Science, 27(1), 1–13. https://doi.org/10.1080/1343943X.2023.2299641

El artículo es de acceso abierto, así que cualquier persona puede leerlo gratis. Se publica con la licencia CC BY-NC 4.0 (Creative Commons Atribución-NoComercial 4.0 Internacional). Las figuras 3 y 7 de esta página se elaboraron a partir de figuras del artículo, y la figura 8 es su resumen gráfico. Todas se usan con esa licencia.